5?款实用Python数据可视化工具你都了解嘛？( 三 )

from bokeh.transform import dodgeimport pandas as pd from bokeh.core.propertiesimport value import numpy as np import matplotlib.pyplot as plt %matplotlib inline from bokeh.io import output_notebookoutput_notebook() # 导入notebook绘图模块 from bokeh.plotting import figure,show from bokeh.models import ColumnDataSource# 导入图表绘制、图标展示模块 # 导入ColumnDataSource模块 # 导入dodge、value模块相关依赖比上面三个要多出很多，并且Bokeh有自己的数据结构ColumnDataSource ，所以要先对数据进行转换，接着就是创建画布、添加数据及设置：
df = pd.DataFrame({'商家A':y1,'商家B':y2}, index = x_) _x = ['商家A','商家B'] # 系列名 data = http://news.hoteastday.com/a/{'index':x_} for i in _x: data[i] = df[i].tolist()# 生成数据，数据格式为dict source = ColumnDataSource(data=http://news.hoteastday.com/a/data)# 将数据转化为ColumnDataSource对象 p = figure(x_range=x_, y_range=(0, 150), plot_height=350, title=''boken-柱状图'',tools=''crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select'') p.vbar(x=dodge('index', -0.1, range=p.x_range), top='商家A', width=0.2, source=source,color=''#718dbf'', legend=value(''商家A'')) p.vbar(x=dodge('index', 0.1, range=p.x_range), top='商家B', width=0.2, source=source,color=''#e84d60'', legend=value(''商家B''))# dodge(field_name, value, range=None) → 转换成一个可分组的对象， value为元素的位置（配合width设置）p.xgrid.grid_line_color = Nonep.legend.location = ''top_left''p.legend.orientation = ''horizontal'' # 其他参数设置show(p)

本文插图
可以看到， Bokeh做出来的图也是支持交互的，不并且样式之类的看上去还是比较舒服的，不过上面这张图是经过调整颜色的，因为默认不对两个系列进行区分颜色：

本文插图
Bokeh一个很明显的特点就是代码量较上面三个工具要多了很多，大多是在数据的处理上，并且和Plotly一样，有关Bokeh相关的中文资料也不多，大多是入门型的基本使用与介绍，虽然从官方给出的图来看能作出很多比Pyecharts更精美的图，但是查找相关参数的设置上将会耗费一定时间。

主观评分：71分

本文插图
05 Seaborn

本文插图
从seaborn官网给出的标题就知道， seaborn是为了统计图表设计的，它是一种基于Matplotlib的图形可视化库，也就是在Matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易。
在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用atplotlib就能制作具有更多特色的图，还是我们的数据，使用seaborn制作首先需要导入相关库，由于是基于Matplotlib ，所以还是需要设置中文。
import seaborn as sns import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei']接下来只要一行代码就能生成我们要的图，默认配色也没有显得很难看：